《医学病理切片图像中真皮区域分割算法研究课件》由会员分享，可在线阅读，更多相关《医学病理切片图像中真皮区域分割算法研究课件（20页珍藏版）》请在金锄头文库上搜索。
1、医学病理切片图像中真皮区域分割算法研究,董文欣,毕业设计（论文）的主要内容（含主要技术参数）,1. 了解医学病理切片图像中真皮区域分割研究背景，研究意义，国内外在该领域的研究进展； 2. 熟悉MATLAB编译环境，能使用MATLAB编程语言对核心算法进行仿真； 3. 理解Kmeans和LDA分类算法的原理，掌握医学病理切片图像中真皮区域分割的实现流程，研究并实现基于Kmeans算法和基于LDA算法的医学病理切片图像中真皮区域分割算法，通过仿真实验结果比较两种分类算法的优缺点； 4. 总结全文，提出分割算法改进的方向，并对下一步工作做出展望。,医学图像分割技术,医学图像分割技术是医学图像处理与分
2、析领域的重要课题之一，也是近年来备受研究人员关注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割开来，并使分割结果尽可能的接近解剖结构，从而为临床诊疗和病理学研究提供可靠依据。由于人体解剖结构的复杂性、组织器官形状的不规则性及个体之间的差异性，一般将单一的图像分割方法应用于医学图像并不能得到理想分割效果，为此必须寻找一种有效的医学图像分割方法。,典型的图像分割方法,典型的图像分割方法有阈值法，边缘检测法，区域法。分析各种图像分割方法可以发现，它们分割图像的基本依据和条件有以下4方面:(l)分割的图像区域应具有同质性，如灰度级别相近、纹理相似等;(2)区域内部平整，不存在很小的
3、小空洞;(3)相邻区域之间对选定的某种同质判据而言，应存在显著差异性;(4)每个分割区域边界应具有齐整性和空间位置的准确性。 现有的大多数图像分割方法只是部分满足上述判据。如果加强分割区域的同性质约束，分割区域很容易产生大量小空洞和不规整边缘:若强调不 同区域间性质差异的显著性，则极易造成非同质区域的合并和有意义的边界丢失。不同的图像分割方法总有在各种约束条件之间找到适当的平衡,Kmeans算法,KMeans算法是聚类算法中的一种常用算法,在模式识别和聚类中经常被使用,属于无监督武分类的一个分支.其主要目的是对具有相同数据类型的样本数据按距离最短规则进行集合的划分,最终获取各等价类 Kmean
4、s算法编辑 k-means 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 假设要把样本集分为c个类别，算法描述如下： （1）适当选择c个类的初始中心； （2）在第k次迭代中，对任意一个
5、样本，求其到c各中心的距离，将该样本归到距离最短的中心所在的类； （3）利用均值等方法更新该类的中心值； （4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。 该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。,2算法流程编辑 首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差
6、作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 3具体流程编辑 输入：k, datan; （1） 选择k个初始中心点，例如c0=data0,ck-1=datak-1; （2） 对于data0.datan, 分别与c0ck-1比较，假定与ci差值最少，就标记为i; （3） 对于所有标记为i点，重新计算ci= 所有标记为i的dataj之和/标记为i的个数； （4） 重复(2)(3),直到所有ci值的变化小于给定阈值。,LDA线性鉴别分析法,线性鉴别分析(Linear Discriminant Analysis, LDA)，有时也称Fisher线性判别(
7、Fisher Linear Discriminant ,FLD)， 这种算法是Ronald Fisher 于 1936年发明的，是模式识别的经典算法i。在1996年由Belhumeur引入模式识别和人工智能领域的。性鉴别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。就是说，
8、它能够保证投影后模式样本有最佳的可分离性。,文献一 医学图像分割方法综述 A SURVEY ON MEDICAL IMAGE SEGMENTATION METHODS,图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义.本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点.,作者 ： 林瑶 田捷 作者单位 ： 中国科学院自动化研究所人工智能实验室,北京,100080 刊 名： 模式识别与人工智能 ISTICEIPKU Journal： P
9、ATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE 年，卷(期) ： 2002, 15(2) 分类号 ： TP391 关键词： 图像处理 知识脉络 医学图像分割 知识脉络 机标分类号 ： V27 TD5 在线出版日期 ： 2009年8月19日,文献二 基于区域显著性的彩色图像分割,提出一种彩色图像分割算法主要利用区域间显著性.先是运用了Krneans聚类的算法对彩色图像进行分割.然后分析彩色图像中的各个分割区域之间的对比度值以及分割的区域在图像中的位置关系,得到显著性值.根据需要设定显著性阈值,得到目标显著性区域并将其他非显著性区域合并.以此达到目标区
10、域与背景的分离.,作者 ： 刘明媚 Author： LIU Ming-mei 作者单位 ： 武汉科技大学信息科学与工程学院,湖北武汉,430081 刊 名： 电子设计工程 Journal： Electronic Design Engineering 年，卷(期) ： 2013, 21(18) 分类号 ： TP391.4 关键词： 图像分割 知识脉络 Kmeans算法 知识脉络 显著性 知识脉络 区域合并 知识脉络 Keywords： image segmentation Kmeans algorithm saliency region merging 机标分类号 ： TN9 TP3 在线出版日
11、期 ： 2013年10月31日,参考文献三 基于多阈值单水平集方法的医学图像分割 Medical image segmentation based on multi-threshold single level set,针对Chan-Vese的无边界主动轮廓模型(CV模型)只能区分前景与背景的缺点,提出了一种基于多阈值单水平集的医学图像分割方法,并将此方法应用于微创手术的预处理中.由于医学图像结构复杂,具有器官轮廓多连接等特点,因此使用常规的水平集方法进行分割往往不能取得理想的效果,而该方法采用修改目标泛函的方式引入多类分割,具有多区域分割的特点,只需经过一次单水平集的迭代循环,即可将图像根据
12、灰度不同划分为多个区域,具有精确、快速等优点.对不同的合成图像和医学图像的实验结果表明,该方法实现了快速精确的多区域分割,能很好地提取到医学图像中的骨骼轮廓,分割效果达到了预期水平.,作者 ： 张娜1 张建勋1 王慧娟2 史瑞芝1 Author： Zhang Na1 Zhang Jianxun1 Wang Huijuan2 Shi Ruizhi1 作者单位 ：南开大学机器人与信息自动化研究所,天津,300071 刊 名： 高技术通讯 ISTICEIPKU Journal： CHINESE HIGH TECHNOLOGY LETTERS 年，卷(期) ： 2009, 19(11) 关键词： 医学
13、图像分割 知识脉络 单水平集 知识脉络 Chan-Vese(CV)模型 知识脉络 多区域分割 知识脉络 Keywords： medical image segmentation single level set Chan-Vese (CV) model multi-region segmentation 在线出版日期 ： 2010年1月18日,参考文献四 交互式医学图像分割算法,针对医学图像的特点,提出了一种结合Live Wire算法和轮廓插值算法的三维医学图像分割算法.与原Live Wire算法相比,改进算法在不增加算法复杂度的同时,大大提高了图像分割的性能.为了进一步提高图像的准确性,用下
14、列方法弥补了原算法的不足:通过寻求最短搜索路径,另外尽可能地降低搜索的时间复杂度.将改进的算法与余弦轮廓插值技术相结合,用在病灶组织区域形状变化较大的断层图像(关键层)分割中.实验表明算法能快速有效的从序列医学图像中分割出感兴趣的物体,为医学诊断提供了依据.,作者 ： 吕洁 熊春荣 Author： LV Jie XIONG Chun-rong 作者单位 ： 玉林师范学院职业技术学院,广西,玉林,537000 刊 名： 计算机仿真 ISTICPKU Journal： COMPUTER SIMULATION 年，卷(期) ： 2010, 27(12) 分类号 ： TP391.41 关键词： 医学图
15、像分割 知识脉络 交互式分割 知识脉络 轮廓插值 知识脉络 机标分类号 ： TP3 TN9 在线出版日期 ： 2011年4月15日,参考文献五 多阈值优化的交互式医学图像分割方法,交互式图像分割方法对边界模糊的医学图像进行分割时通常需要用户标记较多的初始种子或进行二次交互,这给用户带来不便.针对此问题,提出一种简化标记的多阈值优化交互式分割算法,该算法在GrowCut交互式算法基础上通过引入图像灰度直方图的多个阈值自动生成初始种子模板,并利用改进的细胞自动机迭代算法实现图像分割.算法简化了用户操作,提高了分割精度.算法应用于临床肝脏图像和牙茵斑图像分割,显示了良好的分割效果.,作者 ： 兰红
16、Author： LAN Hong 作者单位 ： 江西理工大学信息工程学院 赣州341000 刊 名： 计算机科学 ISTICPKU Journal： Computer Science 年，卷(期) ： 2013, 40(9) 分类号 ： TP391 关键词： 交互式 知识脉络 多阈值 知识脉络 灰度直方图 知识脉络 细胞自动机 知识脉络 医学图像分割 知识脉络 Keywords： Interactive Multi-thresholds Histogram Cellular automata Medical image segmentation 机标分类号 ： TP3 TN9 在线出版日期 ： 2013年11月11日 基金项目 ： 江西省教育厅科技项目,
